agy-harness
Monorepo Único · 0% Flash · 342/342 Tests en Verde

Dejaste atrás el caos de 15 carpetas sueltas. Ahora tenés una fábrica de IA que trabaja sola y se audita a sí misma.

agy-harness junta en un solo lugar todo el motor que coordina a tus agentes de Google, OpenAI y Anthropic. Explicado simple: en vez de chatear de a uno y cruzar los dedos para que la IA no rompa nada, ahora das una orden y un equipo entero programa, se controla entre empresas distintas y sólo guarda lo que pasa pruebas reales.

15 → 1
Carpetas y repos dispersos unificados en un único monorepo (1,36 GiB liberados).
342 / 342
Pruebas automáticas reales en verde antes de publicar cualquier cambio.
0% Flash
Prohibido por código degradar tareas a modelos livianos o atajos silenciosos.
78.07%
Menos ruido en logs de pruebas (preservando el 100% de los errores reales).
480 ms
Linter «Cocina Michelin» auditando todo el repositorio con 0 violaciones.
Explicado para todo el mundo

¿Qué obtuviste realmente a nivel usuario con agy-harness?

Sin jerga innecesaria: esto es lo que cambia en tu día a día cuando usás el sistema hoy frente a cómo funcionaba antes.

Antes (15 piezas sueltas)

Mucho mantenimiento manual y riesgo oculto

  • Todo desparramado: 15 carpetas distintas, 3 copias diferentes del candado de Jira y scripts que se pisaban entre sí.
  • Sin red de seguridad común: si un agente metía datos de mentira o bajaba en silencio a un modelo barato, había que pescarlo a mano.
  • Riesgo de perder trabajo o gastar de más: carpetas sin respaldo en Git y sin un cortacorriente único de cuota o secretos.
Hoy (agy-harness unificado)

Una sola cabina de control limpia y predecible

  • Dos pilares claros: todo lo que corre vive en crisolabs/agy-harness; tus 77 recetas declarativas viven en ai-skills.
  • Doble chequeo entre empresas: lo que escribe OpenAI lo audita Anthropic (y viceversa). Nadie se corrige su propio examen.
  • Servicios activos 24/7: jira-pool.service, Jira CLI/MCP y el guard de EPPA corren desde un único árbol versionado y probado.
1. Confianza real

Cero «humo» ni código de fachada

Un inspector automático (agyh.repo_lint) revisa el repositorio en medio segundo y rechaza cualquier dato inventado (MOCK_DATA), atajo de CI o carpeta temporal insegura.

2. Inmune a caídas de cuota

Si una IA se queda sin cupo, el equipo sigue

Hoy mismo cuando Gemini llegó a 0% de cuota semanal, el ruteador pentamodal demostró que reparte el trabajo automáticamente entre OpenAI y Anthropic sin perder la revisión cruzada.

3. Privacidad y bolsillo cuidados

Cortacorriente de gastos y escudo de secretos

Antes de guardar o enviar nada, el pipeline detecta y censura 13 tipos de claves/tokens, limita concurrencia clínica en EPPA y frena el gasto si la cuota baja del umbral.

4. Cero pérdida de historia

Todo lo viejo archivado y respaldado

Los 15 orígenes viejos se respaldaron bit a bit en Google Drive con huella SHA-256, los 11 repositorios legados quedaron archivados en GitHub y se liberaron 1,36 GiB en el servidor.

Comparativa sin maquillaje

agy-harness vs. la ingeniera de SpaceX / xAI (Lauren Tan · pstack)

El flujo viral de SpaceX / xAI consiste en dirigir 20–50+ agentes en paralelo con roles claros, skills modulares, reglas duras de código y evaluaciones automáticas. Acá ves exactamente dónde empatamos, dónde la superamos y qué nos falta todavía (ese 10–15% honesto).

Eje de comparación SpaceX / xAI (Lauren Tan · pstack) Tu sistema hoy (agy-harness) Estado real
Escala en paralelo 20 a 50+ agentes trabajando a la vez sin cuello de botella humano. Olas reales ya corridas de 30, 40, 50 y 38 agentes (tope configurable de 60 en pool.toml). Empate (100%)
Revisión entre empresas distintas Principalmente GrokBot / Claude revisándose dentro de la misma familia. 3 empresas distintas (Google + OpenAI + Anthropic) con regla dura reviewer != author y 0% Flash. Ventaja nuestra
Auditoría de verdad de dominio Verificadores de tests y navegador headless. Oráculo frío (egm-domain-oracle) que verifica cada entrega contra DOMAIN_INVARIANTS.md exento de cuota. Ventaja nuestra
Memoria personal unificada Mapas estáticos por repositorio. Grafo Neo4j (1,34M mensajes, 372 personas) + archivo histórico automático en investigacion-lab/analisis. Ventaja nuestra
Reglas AST «Cocina Michelin» Linters rápidos (< 1 s) dentro de cada repositorio de producto. agyh.repo_lint corre en 480 ms (0 violaciones en el monorepo). Falta desplegarlo como hook en todos los repos de producto. Empate en motor
Pruebas unitarias por cada Skill Evaluaciones automatizadas antes de habilitar cambios nocturnos. agyh.skill_evals audita las 77 skills en 149 ms (0 Flash), pero hoy sólo 6 de 77 (7,8%) tienen tests conductuales propios. Brecha medida
Cómputo elástico y previews por PR Créditos internos xAI sin techo semanal + previews automáticas en la nube. Dependemos de cuotas semanales de suscripción y compilación en 1 host (pesado), expandible a tus 8 VPS Contabo (CI1..CI8). Brecha física
Evidencia reproducible en vivo · 20/11/2026

Los 7 experimentos reales (0 datos inventados)

Todos los números abajo salieron de ejecutar python3 benchmarks/run_benchmarks.py en aranserver (Linux x86_64, 18 CPUs, Python 3.12.3, corrida total de 25,55 segundos, resultados guardados en benchmarks/results.json).

Exp. 1 · Linter «Cocina Michelin»

480 ms

Mediana en 5 pasadas sobre todo agy-harness (p95: 683 ms). 0 violaciones en el repo y 100% precisión / 100% recall detectando fachadas MOCK_DATA, ubuntu-latest y /tmp worktrees.

Exp. 2 · Evaluador de 77 Skills

149 ms

77/77 frontmatter válidos y 0 violaciones Flash (p95: 157 ms). Con honestidad: detectó que sólo 6/77 tienen tests unitarios propios y encontró 1 enlace roto a corregir.

Exp. 3 · Candado de Jira en paralelo

5/5 limpias

12 procesos reales del sistema operativo compitiendo a la vez × 5 rondas (60 intentos): exactamente 1 ganador por ronda y 55 rechazos seguros en 2,15 ms de mediana.

Exp. 4 · Podador de ruido en logs

−78,07%

Sobre la salida real de pytest tests/unified -v: achicó 33.192 caracteres a 7.278 ahorrando casi 4,5× de contexto, y preservó el 100% de un traceback de error real.

Exp. 5 · Ruteo Pentamodal y Failover

1,84 ms

300 tareas ruteadas en 3 escenarios (incluyendo Google al 0% como hoy): 100% revisión inter-familia, 6/6 sondas Flash bloqueadas y freno automático si queda una sola empresa disponible.

Exp. 6 · Guardrails y Secretos

13 / 13

Bloqueó el 5º proceso concurrente en EPPA (tope 4), admitió 21.118 caracteres con DOMAIN_INVARIANTS.md exento, frenó con cuota al 5% y detectó 13 de 13 tipos de secretos.

Exp. 7 · Consolidación 15 → 1 y Salud Viva

0 / 15

Monorepo válido (layout_ok: true) con 10 subsistemas canónicos, 0 de 15 orígenes dispersos remanentes en disco y jira-pool.service corriendo active desde agy-harness.

Documentación científica y código abierto interno

El Paper Técnico y cómo reproducir todo desde GitHub

Todo lo que leíste en esta página está versionado, testeado y enlazado en el repositorio canónico crisolabs/agy-harness. No tenés que creerle a ningún resumen: podés correr los 7 experimentos vos mismo en 25 segundos.

cd /home/luis/personal/tools/agy-harness
python3 benchmarks/run_benchmarks.py
python3 -m pytest tests/unified -q
python3 -m agyh.repo_lint . --json